AI 主播能打破網紅的觀看護城河嗎

1. 基本資訊

作者為 Hao Xiong、Chen Zhang、Yong Lin、Huili Yan、Yumiao Xu，DOI 是 10.1016/j.ijinfomgt.2025.103005。從論文首頁可確認發表於 International Journal of Information Management，2026 年第 87 卷，屬 AI 應用、平台治理與數位行銷交界主題。期刊品質方面，IJIM 通常被視為資訊管理領域高品質期刊，常見於 SSCI / Scopus Q1 脈絡；但本輪未另外登入官方 JCR 或 Scopus 頁面逐筆核驗最新年度分區，因此這裡保守寫作「高品質期刊，索引細項未再二次查核」。

2. 研究問題

這篇研究想回答的是：在直播電商場景中，AI 主播能否憑藉超長續航與更高智能，打破真人 KOL 已建立的觀看與轉單護城河？更具體地說，作者關心製造商何時應該繼續依賴 KOL、何時應轉向 AI 自播，以及 AI 帶來的成本優勢究竟會讓價格下降，還是反而支撐更高定價。

3. 理論基礎

本文主要不是行為實驗或問卷驗證，而是建立在賽局理論與最適化邏輯上的分析研究。作者把 AI 主播的價值拆成兩個核心機制：一個是「智能化程度」代表 AI 能把服務努力轉成消費者價值的能力，另一個是「直播時長敏感度」代表消費者是否真的會因為 AI 能更長時間在線而增加需求。這種拆法讓研究從「AI 比人便宜」的直觀層次，提升到「AI 的哪些能力會改變通路決策」的理論層次。

4. 研究架構

研究建構的是雙通路框架：一邊是傳統零售通路，一邊是直播通路；直播通路又分成付佣金給 KOL 的模式，與由製造商部署 AI 主播的模式。模型的核心關係是，KOL 依靠既有流量與人際魅力維持吸引力，而 AI 則依靠低成本、長時數與可擴張的智能服務來競爭。作者比較兩種模式下的最適定價、需求與利潤，進而推導製造商在不同參數條件下的最優選擇。

5. 假設邏輯

雖然本文沒有把假設寫成 H1、H2、H3 的形式，但整體推論邏輯很清楚。第一，若消費者很重視直播可得性與持續在線服務，那麼 AI 的長時直播優勢就可能超越 KOL 的人設優勢。第二，若 AI 的智能表現已足以補回部分互動品質落差，製造商更有動機改採 AI 模式。第三，AI 降低了通路成本後，廠商不一定會把節省下來的成本回饋給消費者；只要 AI 仍能提供可接受甚至增值的體驗，廠商可能選擇維持甚至上調價格，把 AI 的效率優勢轉為利潤。

6. 方法

本文採解析式建模與賽局推導。作者建立需求函數與利潤函數，比較「KOL 直播」與「AI 直播」兩種情境下的均衡結果，並把 AI 智能化程度與直播時長敏感度設為關鍵變數。除此之外，作者也加入多個延伸情境做穩健性檢驗，例如 KOL 額外固定收費、AI 研發成本、AI 比 KOL 更高的服務效率，以及 AI 缺乏初始知名度等條件，讓模型不只停留在單一理想設定。

7. 結果

研究結果顯示，AI 主播不是無條件優於 KOL，而是只在特定條件下才真正占優。當消費者對直播時長高度敏感，或 AI 的智能程度已提升到足以支撐服務體驗時，製造商更可能選擇 AI 模式。另一個很值得注意的發現是，AI 帶來的成本降低通常不會直接轉成降價；在不少情境下，廠商反而能一邊降本、一邊維持甚至提高售價，形成「成本下降但價格不降」的利潤擴張效果。

8. 理論貢獻

這篇文章的理論價值在於，它把直播電商研究從傳統「KOL 抽成高不高」的討論，推進到「AI 能力如何重塑通路選擇與定價邏輯」。作者用智能化程度與時長敏感度兩個變數，提出一種可重複使用的 AI 競爭分析框架。對 AI 應用研究來說，這也提供了一個很實用的觀點：AI 的競爭力不只來自成本，而是來自可規模化能力如何改寫需求結構。

9. 實務意涵

對品牌商、平台與直播營運團隊而言，這篇最實際的提醒是不要把「導入 AI 主播」當成單純省人事費的決定。真正要看的，是你的產品是否需要即時長時間回應、消費者是否在意主播的在場性，以及 AI 是否已經成熟到能撐住互動品質。如果產品高度依賴情感感染或人格魅力，KOL 仍可能有優勢；但若產品更偏功能導向、需要長時間值守或跨時段覆蓋，AI 自播就可能成為更有利的配置。

10. 研究限制

本文的限制首先來自方法本身。它是理論模型，不是現場實驗或平台真實交易資料，因此消費者對 AI 主播的情緒反應、信任形成、獵奇效應或反感效應，都只能被簡化處理。其次，模型主要比較 KOL 與 AI 兩種模式，對混合配置的討論相對不足，例如「KOL 負責導流、AI 負責長尾時段維運」這種更貼近真實商業場景的設計，還有很多空間可往下做。

11. 對我研究的啟發

這篇最可重用的角度，是它沒有把 AI 視為單一黑箱技術，而是拆成可操作的能力維度。若我之後研究 AI 在教育、行銷或管理中的採納與績效，可以借鏡這種做法，把 AI 拆成例如「互動品質」「可用時長」「回應速度」「可解釋性」等機制變數，再去討論不同情境下哪些能力真正驅動採納、績效或我感受。另一個啟發是，AI 導入不一定帶來價格下降或福利擴散，反而可能強化廠商的利潤攫取能力；這對我若想研究 AI adoption、value capture 或 human-AI role redesign，都很有延伸價值。

12. 整體評價

我認為這篇很值得今天讀，原因不是它提供了華麗的新理論名詞，而是它把一個正在快速商業化的現象講得足夠清楚、可推導，也可轉成後續研究設計。它對 AI 直播、平台商業模式與人機替代邊界的討論具有新穎性，而且發表載體也夠有份量。相對地，它的弱點是缺乏實證資料，所以對真實消費者情緒、品牌風險與平台演算法干預的掌握仍有限。整體來說，這是一篇高可重用、理論架構清楚、非常適合拿來當後續研究發想起點的論文。